现有的偏差审计方法大多依赖模型输出，需要昂贵的基准或评判模型，且可能遗漏只在内部表征中出现的偏移。我们提出一种基于参考的审计框架，直接比较模型在不同变体（如微调前后）隐藏层的表征。由于微调会改变表征的几何结构，直接比较绝对隐藏向量不可行。我们首先构建一组固定的锚句，将每个待评估句子映射为与这些锚句的相似度向量，从而得到共享比较空间中的相对表征。随后计算目标群体在正负属性上的关联变化，定义为表征偏差转移 $$\Delta B$$。在三个模型族以及 WildGuardMix、DecodingTrust、ToxiGen 三个基准上实验，$$\Delta B$$ 与输出层偏差变化的相关系数在 18 组实验中有 15 组达到 $|r|=0.84$（$p<0.01$），表明相对表征能够可靠捕捉隐藏层的偏差迁移。
点评